Algorithm 确定黑盒函数全局极小值的算法
我最近在一次采访中得到了这个问题,一想到这个问题我就有点发疯 假设您有一个函数族,每个函数都具有固定数量的参数(不同的函数可以具有不同数量的参数),每个函数都具有以下属性:Algorithm 确定黑盒函数全局极小值的算法,algorithm,machine-learning,gradient-descent,Algorithm,Machine Learning,Gradient Descent,我最近在一次采访中得到了这个问题,一想到这个问题我就有点发疯 假设您有一个函数族,每个函数都具有固定数量的参数(不同的函数可以具有不同数量的参数),每个函数都具有以下属性: 每个输入介于0-1之间 每个输出在0-1之间 该函数是连续的 该函数是一个黑盒(即,您不能查看它的方程式) 然后他让我创建一个算法来找到这个函数的全局极小值 对我来说,看这个问题就像试图回答机器学习的基础。显然,如果有某种方法可以保证找到函数的全局极小值,那么我们就有了完美的机器学习算法。显然我们没有,所以这个问题似
最后他似乎对我的算法没什么印象。有人有更快/更准确的方法解决这个问题吗?范围是
[0,1]
,因此f(x)=0
,其中R^n
上的x
是全局最小值。此外,通过知道域、范围和连续性,不能保证函数是凸函数
例如f(x)=sqrt(x)
,它是一个凹函数(即没有最小值),并且x-[0,1]
属于它的域。如果你只有一组离散的机器浮点数,我认为“连续”没有任何意义。你需要知道导数的可能范围。如果你知道这一点,解决方案就成为可能。